描述
Audio8-TTS-Realistic-0.6b 是一个最先进的文本转语音模型,托管在 Hugging Face 上。基于其前身 Audio8-TTS-Preview-0.6b,该模型在保持紧凑的 0.6B 架构的同时,提供了增强的语音真实感。它支持 23 种语言,新增 12 种语言,之前版本支持 11 种。该模型旨在灵活生成语音,提供从参考录音和转录文本进行零样本语音克隆的能力,或在没有参考的情况下生成语音。
阅读更多
该模型采用受 Fish Audio S2 Pro 启发的 DualAR 架构,具有一个慢速 AR 变换器,用于预测每个音频帧的语义标记,以及一个快速 AR 变换器,用于预测帧的编解码器代码本。此设置确保高效且真实的音频合成。该模型的组件包括 44.1 kHz 神经音频编解码器、分词器、处理器和自定义 Transformers 代码。
Audio8-TTS-Realistic-0.6b 可在 Hugging Face ZeroGPU 托管的互动 Playground 中使用,尽管可用性取决于队列和每日 GPU 配额。该模型在 TTS Arena 中获得了积极反馈,听众对其性能给予了好评。
安装需要 Python 3.10 或更高版本和支持 CUDA 的 GPU。该模型已在 PyTorch 2.8.0 和 Transformers 4.57.3 中进行了测试,确保与各种语言的兼容性。用户可以通过兼容 OpenAI 的语音 API 集成该模型,利用 SGLang Omni 适配器进行高吞吐量服务。
尽管该模型提供了显著的进步,但用户应注意潜在的限制。语言质量各异,嘈杂的参考音频或不匹配的转录文本可能会影响稳定性和说话者相似性。建议用户在最终确定任何产品之前,先听取生成的音频。
- 类别AI 模型与大语言模型
- 部署云端
- 平台网页版
Audio8-TTS-Realistic-0.6b亮点
改进的语音真实感
零样本语音克隆
支持 23 种语言
DualAR 架构
44.1 kHz 神经音频编解码器
互动 Playground 访问
兼容 OpenAI 的 API
用于服务的 SGLang Omni 适配器
Audio8-TTS-Realistic-0.6b入门
访问模型:访问 Hugging Face
身份验证:登录您的账户
设置环境:安装 Python 3.10+ 和支持 CUDA 的 GPU
通过 API 集成:使用兼容 OpenAI 的语音 API
优化:利用 SGLang Omni 适配器进行高吞吐量服务
Audio8-TTS-Realistic-0.6b的使用案例
- 多语言 TTS
- 语音克隆
- 互动演示
- API 集成
- 高吞吐量服务











